无人机多光谱遥感反演花蕾期棉花光合参数研究

陈俊英 陈硕博 张智韬 付秋萍 边 江 崔 婷

(1.西北农林科技大学旱区农业水土工程教育部重点实验室， 陕西杨凌 712100； 2.西北农林科技大学水利与建筑工程学院， 陕西杨凌 712100； 3.新疆农业大学水利与土木工程学院， 乌鲁木齐 830052)

0 引言

光合作用是绿色植物合成有机物的根本来源，也是其能量代谢和物质代谢的基础，对自然生态平衡和人类生存发展意义重大[1]。如何对作物的光合作用进行及时有效地监测，进而指导农业生产措施的制定，已成为精准农业发展的客观要求和必然选择[2-3]。传统方法对作物光合参数的测定费时、费力且代表性较差，定点测定的结果往往较难反映作物在整个区域上的实际情况。近些年来，随着信息技术与光谱分析技术的发展，通过遥感技术对光合作用的监测得到了越来越深入的应用[4-10]。

前人利用遥感技术在监测植被光合作用方面的研究取得了一定的进展。在国外，CRISTIANO等[11]利用室内光谱仪估算了不同水氮处理条件下两种牧草的光合有效辐射吸收系数(Fraction of absorbed photosynthetically active radiation ，FPAR)，发现绿度归一化植被指数(Green normalized difference vegetation index,GNDVI)的预测效果最优。GAMON等[12]通过卫星遥感数据计算出色素指数，很好地反映了常绿针叶林的光合作用。PENUELAS等[13]利用基于MODIS的光化学植被指数(Photochemical reflectance index，PRI)和地面涡度相关塔的CO2交换数据，发现二者具有常见的指数关系，从而为大尺度上监测植被光合作用提供了参考。在国内， 武海巍等[14]利用自主研发的核函数bio-selfadaption结合便携式多光谱仪测得的可见光光谱预测了大豆植株群体的净光合速率，精度达到80%以上。卫亚星等[15]利用野外光谱辐射仪获得的高光谱数据估算了乌梁素海湿地芦苇的最大羧化速率，取得了较高的精度。张峰等[16]则利用野外高光谱辐射仪对玉米冠层光合能力和光合效率进行反演，发现2波段增强植被指数对光合参数的表征效果最优[17]。以上研究大多基于卫星遥感或者地面遥感，由于卫星遥感获取的图像不能同时满足高空间和高时间分辨率的要求，地物光谱仪扫描的范围较小且不易操作，二者在农田尺度上的应用存在一定的局限性。以无人机作为新型遥感平台，通过搭载研究所需的传感器获取目标物的图像进而反演特定参数的研究方法已越来越受关注[18-24]，而利用无人机多光谱遥感直接反演作物光合参数的研究还鲜有报道。

本文以关中地区不同水分处理下的花蕾期棉花为研究对象，通过无人机搭载的多光谱相机获取棉花花蕾期冠层每天不同时刻的六波段光谱反射率，同步测定其光合参数。对二者进行相关性分析后筛选出与光合参数相关性较高的波段作为特征波段，分别利用一元线性回归和主成分回归、岭回归、偏最小二乘回归等多元回归分析方法进行建模和验证，进而对比分析得出光合参数反演的最优模型。

1 材料与方法

1.1 研究区概况

田间试验布置于西北农林科技大学中国旱区节水农业研究院(34°20′N，108°24′E，海拔525 m)。属暖湿带季风半湿润气候，年均日照时数与无霜期分别为2 164 h、210 d，多年平均气温、降水量和蒸发量分别为13℃、640 mm和993.2 mm。试验田土壤为中壤土，田间持水率为23%(质量含水率，下同)，凋萎系数8.6%。土壤干容重1.44 g/cm3，0～20 cm土层土壤pH值为8.14，有机质质量比13.30 g/kg，全氮质量比0.82 g/kg。

1.2 试验材料与设计

供试棉花品种为西北农林科技大学农学院提供的“西农棉1008”。试验为随机区组设计，4组水分处理上限分别为50%田间持水率(Field capacity，FC)、65%FC、80%FC和95%FC，3次重复，共计12个小区，如图1所示。为保证灌水均匀，采用滴灌的灌溉方式且每个小区安装水表严格控制灌水量。各小区播种7行，行距为0.7 m，小区面积20 m2。播种时间为2017年4月19日。田间管理、施肥等其他措施同高产大田。

图1 试验小区布置图Fig.1 Layout of testing plots

1.3 棉花冠层多光谱遥感图像获取

图2 μ-MCA多光谱相机与M600型无人机Fig.2 μ-MCA multispectral camera and M600 unmanned aerial vehicle

使用的遥感传感器为Micro-MCA多光谱相机(简称μ-MCA)。μ-MCA质量轻且可远程触发，能够理想地搭载于小型无人机，实现拍摄目标地物的目的。μ-MCA有490、550、680、720、800、900 nm等6个波段的光谱采集通道，遥感平台为深圳大疆创新科技有限公司生产的M600型六旋翼无人机，如图2所示。多光谱遥感影像于2017年7月11—14日采集，09:00—17:00每2 h采集一次，每日采集5次。试验期间天气晴朗，棉花正处于花蕾期，长势旺盛。无人机飞行高度为50 m，多光谱相机镜头垂直向下，此时影像地面分辨率约为2.7 cm。试验田间布置参考板，对获取的遥感影像进行辐射标定。

1.4 棉花冠层光合参数测定

每次遥感影像采集完毕后立即测定棉花冠层的光合参数，1 d测定5次，测定4 d。在小区内选择3株长势均一的健康植株，利用LI-6400型便携式光合仪测定棉花植株倒三叶的光合参数，具体包括净光合速率(Pn，μmol/(m2·s))、蒸腾速率(Tr，mmol/(m2·s))、气孔导度(Gs，mol/(m2·s))、胞间二氧化碳浓度(Ci，μmol/mol)等，以3株植株的平均值作为最终观测结果。

1.5 多光谱遥感图像处理与冠层光谱反射率提取

使用与多光谱相机配套的软件PixelWrench2对获取的多光谱遥感影像进行提取、配准与合成，最后导出tif格式的6波段遥感影像。将影像导入ENVI 5.3软件中进行解译，为排除土壤及阴影背景值的干扰，采用监督分类的分类方法识别棉花冠层及参考板，进而提取二者的灰度值计算得棉花冠层的6波段反射率。

1.6 数据处理与建模评价

每个时刻共有48组数据，随机抽取32组数据作为建模集，剩余16组作为验证集。对于不同时刻的棉花冠层光谱反射率信息，分别建立棉花冠层光合参数的一元线性回归、主成分回归[25-26]、岭回归[27-28]、偏最小二乘回归[29-30]等4种预测模型，对比不同时刻和建模方法的预测精度。利用验证集将模型预测值和实测值进行拟合，采用决定系数R2、均方根误差RMSE和相对误差RE等3个指标评价模型精度。R2越接近1，RMSE和RE越小说明模型效果越好。

(1)

(2)

(3)

2 结果与分析

2.1 不同水分处理下光合参数日变化分析

4组水分处理下，花蕾期棉花冠层净光合速率(Pn)、气孔导度(Gs)、蒸腾速率(Tr)、胞间二氧化碳浓度(Ci)的日变化特征如图3所示。

图3 不同水分处理的花蕾期棉花冠层光合参数的日变化Fig.3 Diurnal variations of photosynthetic parameters of cotton canopy in bud stage with different water treatments

由图3可以看出，净光合速率(Pn)、气孔导度(Gs)、蒸腾速率(Tr)三者的变化趋势基本一致，均呈现出先增加后减小的单峰变化曲线，且均在13:00—15:00有明显的下降现象，而胞间二氧化碳浓度(Ci)的变化却恰恰相反，呈现出先减小后增大的“凹”字形变化曲线。这是由于此时太阳辐射较强、大气温度较高且湿度较低导致棉花叶片气孔一定程度的关闭，气孔导度减小使进入叶片的CO2减少，排出的水汽亦减少，所以净光合速率(Pn)和蒸腾速率(Tr)均出现下降。胞间二氧化碳浓度(Ci)的变化与净光合速率(Pn)的变化密切相关，二者存在负相关的关系。

图4 不同水分处理的花蕾期棉花冠层6波段光谱反射率的日变化Fig.4 Diurnal variations of spectral reflectance in six bands of cotton canopy in bud stage with different water treatments

对于净光合速率(Pn)，09:00时4组处理差异明显，95%FC处理的Pn较50%FC高28.9%，11:00之前95%FC的处理明显高于其他处理，而13:00以后差异逐渐缩小，17:00时4组处理已基本接近一致。对于气孔导度(Gs)，09:00时4组处理差异亦十分明显，随后基本呈上升趋势，在13:00左右达到最大值，之后便开始下降，其中，95%FC的处理下降的幅度最大。对于蒸腾速率(Tr)，11:00左右除50%FC外各处理达到最大值，50%FC处理在15:00左右达到最大值，此时95%FC的处理略微回升，其他两组处理均在下降。对于胞间二氧化碳浓度(Ci)，09:00时4组处理的差异不大，之后随着太阳辐射增强，大气温度回升，均呈现下降的趋势，在13:00左右降到谷底，期间95%FC的处理反而有所增加，之后均处于上升状态。

2.2 不同水分处理下冠层光谱反射率日变化分析

4组水分处理的花蕾期棉花冠层6波段光谱反射率的日变化如图4所示。

从图4可以看出，棉花冠层的光谱反射率具有明显的植被特征，即在蓝光波段(490 nm)和红光波段(680 nm)有较低的反射率，处在整个波谱曲线的波谷位置，而在绿光波段(550 nm)出现一个波峰，在红边位置(720 nm)及近红外波段(800、900 nm)反射率较高。由于植物光合作用仅能吸收利用太阳光的可见光部分，所以对于近红外有较高的反射率，而可见光部分中的大部分蓝光、红光及少部分绿光被吸收，使得蓝光波段与红光波段的反射率较低，绿光波段的反射率略高。6个波段处的光谱反射率在1 d中均呈现出先减小后增大的趋势。其中，蓝光波段与红光波段处的反射率变化不明显，而其他4个波段处的变化均呈现“倒抛物线”型。

在蓝光波段和红光波段，95%FC处理的棉花冠层光谱反射率明显较其他3组处理低，这可能是由于供水充足，光合作用较强，叶片吸收了更多的蓝光和绿光所致。对于其他4个波段，不同水分处理之间棉花冠层光谱反射率的差异不大，但都呈现出80%FC处理的反射率较其他3组处理高的特征，且都在13:00左右降到最小值，900 nm处的反射率表现得尤为明显。

2.3 光合参数与冠层光谱反射率相关性分析

由于09:00和17:00的太阳高度角过小，棉花冠层光谱反射率的变化很大程度上受到影响，光合参数已不是引起冠层光谱反射率变化的主要因素。因此仅对2017年7月11—14日11:00、13:00和15:00等3个时刻测得的12个小区的光合参数与同时刻获取的6波段光谱反射率数据进行相关性分析，结果见表1。

由表1可以看出，对于不同的光合参数，在同一时刻的敏感波段不同，相同的光合参数在1 d中不同的时刻敏感波段亦不同。同一波段对同一光合参数在1 d中不同时刻甚至出现极显著相关(p<0.01)、显著相关(p<0.05)和不相关3种情况。

表1 不同波段光谱反射率与不同时刻光合参数的相关系数(n=48)Tab.1 Correlation coefficients of spectral reflectance in different bands and photosynthetic parameters at different times(n=48)

注：*表示在 0.05水平上显著， ** 表示在 0.01 水平上极显著。

与光合速率(Pn)显著相关的波段较多，每个时刻都有2个或2个以上的波段与其显著相关。在11:00和13:00，蓝光波段(490 nm)和红光波段(680 nm)与净光合速率(Pn)达到了极显著相关水平，且相关系数均大于0.8。对于气孔导度(Gs)，3个时刻均存在显著相关的波段，而且基本集中在蓝光波段(490 nm)和红光波段(680 nm)。对于胞间二氧化碳浓度(Ci)，在13:00没有与其显著相关的波段，只有11:00、15:00存在与其显著相关的波段，其中在11:00相关的4个波段均达到显著水平，且相关系数均在0.6以上。与蒸腾速率(Tr)相关的波段主要为蓝光波段(490 nm)和红光波段(680 nm)，但在13:00时6个波段的反射率均与其不相关。

2.4 基于敏感波段光谱反射率的光合参数一元线性模型构建

通过以上的相关性分析，选择与光合参数显著或极显著相关且相关性最强的波段光谱反射率作为自变量，构建该光合参数的一元线性模型并进行检验，结果见表2。

由表2可知，11:00和13:00的净光合速率(Pn)预测模型的建模决定系数和验证决定系数均在0.7以上，但13:00的模型的验证均方根误差RMSE和相对误差RE较小，因此13:00的模型预测效果较优。对于气孔导度(Gs)，只有15:00的模型有着较优的解释能力和预测能力。胞间二氧化碳浓度(Ci)的预测模型在11:00效果最优，其建模决定系数和验证决定系数均在0.6以上。而对于蒸腾速率(Tr)，15:00的模型的稳定性与预测能力较11:00的略高，为监测的最优模型。

2.5 基于敏感波段光谱反射率的光合参数多元线性模型构建

通过2.3节中的相关性分析，在不同时刻选取与光合参数显著和极显著相关的波段作为敏感波段参与回归模型的构建。分别采用主成分回归、岭回归以及偏最小二乘回归等3种建模方法对光合参数和敏感波段反射率进行分析建模和检验，选择出反演不同光合参数的最优模型。

表2 基于敏感波段光谱反射率与不同时刻光合参数的一元线性模型及验证Tab.2 Linear model and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

注：X1、X2、X3、X4、X5、X6分别指490、550、680、720、800、900 nm波长处的光谱反射率。Pn、Gs、Tr、Ci的RMSE单位分别为μmol/(m2·s)、mol/(m2·s)、mmol/(m2·s)、μmol/mol。下同。

2.5.1主成分回归模型的构建与检验

对光合参数的敏感波段进行主成分分析，建立3个时刻的4种光合参数的主成分回归预测模型并验证，结果如表3所示。

表3 基于敏感波段的光谱反射率与不同时刻光合参数的主成分回归模型及验证Tab.3 Principal component regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

从表3可以看出，11:00和13:00的净光合速率(Pn)预测模型的决定系数和验证决定系数均大于15:00的，且13:00的模型的验证均方根误差RMSE仅为1.52 μmol/(m2·s)，验证相对误差RE仅为2.2%，为净光合速率(Pn)反演的最优模型。15:00的气孔导度(Gs)的模型验证相对误差RE比13:00的略大，但其验证均方根误差RMSE较小且建模R2和验证R2均明显大于后者，故15:00的模型为反演气孔导度(Gs)的最优模型。15:00的胞间二氧化碳浓度(Ci)的预测模型的建模决定系数和验证决定系数大于11:00的，其验证均方根误差RMSE为14.2 μmol/mol，验证相对误差RE为5.2%，均为两个模型中的最小值，因此为最优反演模型。11:00的蒸腾速率(Tr)的反演模型中，建模决定系数和验证决定系数与15:00的相差不大。尽管11:00的模型的验证均方根误差RMSE比15:00的略大，但由于其验证相对误差RE仅为5.2%，故选择此刻的模型为蒸腾速率(Tr)的最优反演模型。

2.5.2不同时刻岭回归模型的构建与检验

在R软件中自动选择GCV值最小时的岭参数k进行后续的分析计算。3个时刻的4种光合参数的岭回归预测模型与验证结果如表4所示。

从表4可以看出，在11:00和13:00，净光合速率(Pn)的预测模型的建模决定系数和验证决定系数比较接近，都达到了0.6以上，其中13:00的模型验证均方根误差RMSE仅为1.45 μmol/(m2·s)，为三者中的最小值，因此选择为净光合速率(Pn)的最优监测模型。在15:00，气孔导度(Gs)的预测模型的建模决定系数和验证决定系数均大于13:00的，其验证均方根误差RMSE和验证相对误差RE均在合理的范围之内，因此选择15:00的模型为气孔导度(Gs)的最优监测模型。15:00的胞间二氧化碳浓度(Ci)的预测模型的建模决定系数和验证决定系数均大于11:00的，尽管此刻的验证均方根误差RMSE和验证相对误差RE较11:00的略大，但整体来看，15:00的预测模型仍占优，选择此模型作为胞间二氧化碳浓度(Ci)最优监测模型。在11:00，蒸腾速率(Tr)的预测模型中的建模决定系数和验证决定系数与15:00的几乎相同。尽管11:00的模型的验证均方根误差RMSE比15:00的略大，但由于其验证相对误差RE仅为4.7%，故选择11:00的模型为蒸腾速率(Tr)的最优监测模型。

表4 基于敏感波段的光谱反射率与不同时刻光合参数的岭回归模型及验证Tab.4 Ridge regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

2.5.3偏最小二乘回归模型的构建与检验

本文的分析在R软件环境下实现，通过使用留一交叉验证计算预测值误差平方和(PRESS)，jack.test函数检验回归系数的显著性。3个时刻4种光合参数的偏最小二乘回归模型及验证结果如表5所示。

表5 基于敏感波段的光谱反射率与不同时刻光合参数的偏最小二乘回归模型及验证Tab.5 Partial least squares regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

从表5可以看出，11:00和13:00的净光合速率(Pn)的预测模型的建模决定系数和验证决定系数都达到了0.7以上，其中13:00的验证均方根误差RMSE与验证相对误差RE均为两者中的最小值，分别为1.51 μmol/(m2·s)和3.5%，因此13:00的模型反演花蕾期棉花的净光合速率(Pn)效果最优。15:00的气孔导度(Gs)的预测模型的建模决定系数和验证决定系数都较13:00的大，其验证均方根误差RMSE较13:00的小，因此此刻的模型具有较高的参考价值。15:00的胞间二氧化碳浓度(Ci)的预测模型的建模决定系数和验证决定系数均大于其他时刻，达到了0.8以上，同样具有较小的验证均方根误差RMSE与验证相对误差RE，因此为预测胞间二氧化碳浓度(Ci)的最优模型。对于蒸腾速率(Tr)，11:00和15:00的预测模型的建模决定系数和验证决定系数都接近0.7，尽管11:00的验证均方根误差RMSE略大，但考虑到其验证相对误差RE仅为5.2%，故仍选择此模型作为最优模型。

2.6 基于无人机多光谱信息的光合参数最优反演模型

通过对表2～5的分析可见，对于净光合速率(Pn)和气孔导度(Gs)，分别在13:00和15:00利用不同建模方法得到的预测模型的反演效果较优。对于胞间二氧化碳浓度(Ci)，11:00的一元线性模型和15:00的多元回归模型反演效果较优。对于蒸腾速率(Tr)，15:00的一元线性模型和11:00多元回归模型的反演效果较优。为了进一步对比选择最优反演模型，将4种模型的统计参数列于表6。

表6 光合参数的不同建模效果对比Tab.6 Comparison of different modeling effects of photosynthetic parameters

从表6可以看出，净光合速率(Pn)的一元线性模型有较高的建模决定系数和验证决定系数，分别为0.74和0.71，而且一元线性模型的RMSE较小，仅为1.46 μmol/(m2·s)，且验证相对误差RE最小，故一元线性模型最优。气孔导度(Gs)的一元线性模型和岭回归模型的建模效果和预测能力基本等同，但由于一元线性模型仅包含一个敏感波段，简单易行，可操作性强，因此为最优模型。对于胞间二氧化碳浓度(Ci)，15:00的多元线性回归模型明显优于11:00点的一元线性模型，其中岭回归模型的验证相对误差RE仅为4%，为三者中的最小值，因此为最优反演模型。蒸腾速率(Tr)的3种多元线性回归模型精度评价参数在11:00几乎相同，而15:00的一元线性模型的建模决定系数和验证决定系数都较其他3组模型大，且验证均方根误差RMSE为四者中的最小值，因此15:00的一元线性模型为蒸腾速率(Tr)的最优反演模型。

3 讨论

利用遥感技术对作物的光合作用进行大面积监测对现代农业的生产管理极具指导意义。本文运用无人机遥感平台结合多光谱相机组成的遥感监测系统，相比卫星遥感有使用机动灵活、图像分辨率高的优点，相比地面遥感有监测范围广、工作效率高的优点，是未来精准农业发展的要求和趋势。由于作物的光合作用特性通常以净光合速率(Pn)、气孔导度(Gs)、胞间二氧化碳浓度(Ci)和蒸腾速率(Tr)等光合参数来反映，本研究对花蕾期棉花的4种光合参数与多光谱6波段光谱反射率进行相关性分析后，剔除二者相关系数较小和不显著相关的波段，防止过多自变量的引入产生过度拟合的问题，进而利用多种回归分析方法建立了4种光合参数的反演模型，均取得了较高的精度。经过对比发现，引入多元自变量后建立的模型的拟合优度不一定都比一元线性模型的高，这是由于其同时考虑了样本个数和自变量个数的影响，用调整后的决定系数来评价模型拟合度的缘故。后续的研究可根据需要选择对应的最优模型获取某一光合参数的信息。然而这些参数的最优监测模型会因作物的生长阶段、品种、气候、甚至所使用的传感器而异。本文所得的反演估测模型也仅限于本次测量结果，模型在棉花其他生育阶段和其他地区的适用性还有待进一步探索。

4 结论

(1)不同水分处理下的花蕾期棉花冠层光合参数的变化趋势基本一致，其中净光合速率(Pn)、气孔导度(Gs)和蒸腾速率(Tr)呈现先增加后减小的近似抛物线变化，胞间二氧化碳浓度(Ci)则恰恰相反，表现出先减小后增加的反向抛物线变化。

(2)多光谱6个波段的反射率在1 d中均呈现先减小后增大的趋势，蓝光波段(490 nm)和红光波段(680 nm)表现出较低的反射率，变化不明显，绿光波段(550 nm)、红边波段(720 nm)和两个近红外波段(800、900 nm)变化趋势比较明显。

(3)通过对4种不同光合参数和6个波段光谱反射率的相关性分析发现，每一种光合参数都有与其敏感的波段，部分相关系数达到了0.8以上，说明通过遥感反演作物的光合参数可行。

(4)以敏感波段的光谱反射率为自变量，构建3个时刻4种光合参数的一元线性模型和主成分回归、岭回归模型、偏最小二乘回归等多元线性回归模型。对比发现，净光合速率(Pn)反演的最优模型为13:00的基于蓝光波段反射率的一元线性模型，气孔导度(Gs)反演的最优模型为15:00的基于红光波段反射率的一元线性模型，胞间二氧化碳浓度(Ci)反演的最优模型为15:00的岭回归模型，蒸腾速率(Tr)反演的最优模型为15:00的基于红光波段反射率的一元线性模型。